Python 如何更好地预处理图像以获得更好的深度学习结果?
我们正在试验应用卷积神经网络来分类好的表面和有缺陷的表面 好的和坏的图像主要如下所示: 好的: 坏的:Python 如何更好地预处理图像以获得更好的深度学习结果?,python,tensorflow,machine-learning,deep-learning,data-science,Python,Tensorflow,Machine Learning,Deep Learning,Data Science,我们正在试验应用卷积神经网络来分类好的表面和有缺陷的表面 好的和坏的图像主要如下所示: 好的: 坏的: 图像相对较大(高度:800像素,宽度:500像素) 相对于图像,缺陷非常局部和小 背景非常嘈杂 深度学习(6 x conv+pooling->flant->dense64->dense32)的结果非常糟糕 (可能是由于有限的不良样品和非常小的缺陷模式) 还有其他缺陷模式,如非常细微的划痕、残留和污点等,这是我们希望使用深度学习而不是特定特征工程的主要原因之一 我们可以并且愿意积累更多的
更新: 非常好的主意,拿出一个明确的圆形条纹检查器。 它可以直接用于检查模式受到干扰的位置,或者用作深度学习的预处理步骤
更新: 一个更微妙的模式“划痕”。 有一个划痕从风扇区域的底部开始向上,稍微向右 深度学习是缺陷检测的合适工具吗 这在实践中是可行的 深度学习当然是一种可能,有望普及。总的来说,它应该是最后的手段,而不是第一个办法。不利因素包括:
- 很难包括先前的知识
- 因此,您需要大量的数据来针对一般情况训练分类器
- 如果成功,则模型是不透明的。它可能取决于细微的特性,如果制造过程发生了细微的变化,并且没有简单的方法来修复,就会导致它失败
如果你能用这种方法预先选择可能的缺陷,你就可以裁剪出一幅小图像,并对其进行深入学习或其他任何你想使用的方法 你能试着手工制作一个检测算法,明确地检查圆形条纹吗?如果该模式受到干扰,则可能存在缺陷。如果仅此一步还不够,您可以考虑使用该步骤作为预处理来对齐图像,以使所建议的工件处于进一步处理的中心。您是否也可以显示一个更“微妙”的示例?我将很快上传这些微妙的示例@Acro Basto出于好奇:什么方法是成功的?@ArcoBast,Unet模型系列是本案例中最有希望的方法。